CN106406094B - 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 - Google Patents

一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 Download PDF

Info

Publication number
CN106406094B
CN106406094B CN201610900248.2A CN201610900248A CN106406094B CN 106406094 B CN106406094 B CN 106406094B CN 201610900248 A CN201610900248 A CN 201610900248A CN 106406094 B CN106406094 B CN 106406094B
Authority
CN
China
Prior art keywords
moment
dissolved oxygen
section
neural network
fuzzy neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610900248.2A
Other languages
English (en)
Other versions
CN106406094A (zh
Inventor
韩红桂
陈治远
乔俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201610900248.2A priority Critical patent/CN106406094B/zh
Publication of CN106406094A publication Critical patent/CN106406094A/zh
Application granted granted Critical
Publication of CN106406094B publication Critical patent/CN106406094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明提出了一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，实现污水处理过程中溶解氧DO浓度跟踪控制。针对污水处理过程精确的数学模型难以建立，***运行的环境存在过多不确定性和干扰，污水处理过程具有明显的非线性和滞后性，溶解氧浓度难以控制的特点，该控制方法通过建立区间二型模糊神经网络控制器，搭建区间二型模糊神经网络控制器和控制模型的回路，利用区间二型模糊神经网络控制方法对溶解氧DO浓度进行控制，能够快速、准确的控制溶解氧DO浓度，与传统的PID控制方法相比，提高了污水处理的效率，降低了能耗，同时在控制精度上具有优势，获得了令人满意的控制性能。

Description

一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪 控制方法
技术领域
本发明利用基于区间二型模糊神经网络的控制方法实现污水处理过程中溶解氧DO浓度的跟踪控制，溶解氧DO浓度是污水生化反应过程中关键控制参数之一，对污水处理过程出水水质有重要影响；将基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法应用在污水处理过程中，实现溶解氧DO浓度跟踪控制；该发明既属于水研究领域，又属于智能控制领域。
背景技术
水资源供应危机是未来10年社会风险中最核心的风险之一，一旦发生将会对全球经济和社会造成根本性破坏。当前我国水资源面临的形势十分严峻，水资源短缺、水污染严重、水生态环境恶化等问题日益突出，已成为制约经济社会可持续发展的主要瓶颈。随着我国工业化的发展和城镇化进程的加快，城市人口越来越集中，对于淡水资源的需求量也越来越大；水质恶劣，水体富养化现象的频繁发生，使城市水污染问题日益加剧；与此同时，国民经济的增长和公众环保意识的增强，使污水处理自动化技术迎来了前所未有的发展机遇；怎样防治水体污染，如何及时有效的处理污水并再次利用，成为我国迫在眉睫的问题；近些年来，我国积极建设污水处理设施，截至2015年底，全国城市污水处理厂处理能力1.4亿立方米/日，全年累计处理污水量达410.3亿立方米；然而，迫于降低污水处理成本的需要，城市污水处理正向规模大型化、技术先进化和运行最优化等方向发展。因此，研究污水处理过程优化运行控制技术，实现低成本运行是未来城市污水处理厂发展的必然趋势，也是城市污水处理厂升级改造、技术革新的必然选择。
污水处理过程中，溶解氧DO浓度是污水生化反应过程中最重要的控制参数；好氧区氧气不足时，丝状菌大量繁殖导致污泥膨胀；氧气过量时，悬浮固体沉降性变差导致能耗过高；同时溶解氧DO浓度还会对出水水质，污水处理过程的能量消耗、运行成本造成一定的影响；因此，快速高效准确的将其控制在合理范围内是污水处理过程能否正常运行的前提；根据不同的水质，溶解氧DO浓度会发生相应变化，同时污水处理过程的非线性，时变性，动态不确定等特点，增加了溶解氧DO的控制难度；传统使用控制的方法是通过PID控制器实现溶解氧浓度的控制，然而PID控制器需要大量的经验数据，控制参数设计较为繁琐；因此，如何快速高效、可靠精确地对溶解氧DO浓度跟踪控制成为亟待解决的问题；区间二型模糊神经网络通过模糊规则对先验知识进行表达，具有较强的学习、适应和模糊信息处理能力；基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法能够实现对溶解氧DO浓度实时控制，具有很好的实际应用价值；
本发明设计了一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，主要通过区间二型模糊神经网络控制器对控制目标进行跟踪控制，实现溶解氧DO在线控制。
发明内容
本发明获得了一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，该控制器是基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法求解污水处理过程溶解氧控制问题，通过控制优化后的曝气量达到控制溶解氧DO浓度的目的；实现污水处理过程溶解氧DO浓度跟踪控制，在保证出水水质达标的前提下，降低能耗和处理成本；
本发明采用了如下的技术方案及实现步骤：
1.一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，
针对序批式间歇活性污泥***中溶解氧DO进行控制，其中，曝气量为控制量，溶解氧DO浓度为被控量；
其特征在于，包括以下步骤：
(1)设计用于溶解氧DO浓度跟踪控制的区间二型模糊神经网络，区间二型模糊神经网络分为四层：输入层、隶属函数层、激活层、输出层；具体为：
①输入层：该层由2个神经元组成：
X(t)＝[x1(t),x2(t)]T (1)
其中，X(t)表示区间二型模糊神经网络的输入，x1(t)为t时刻溶解氧DO浓度设定值与实际值的误差，x2(t)为t时刻溶解氧DO浓度设定值与实际值误差的变化率，T为矩阵的转置；
②隶属函数层：该层有R个神经元，每个神经元代表一个区间二型隶属函数，表示如下：
其中，为t时刻第i个输入时第j个隶属函数层神经元输出值的下界，为t时刻第i个输入时第j个隶属函数层神经元输出值的上界， c ij(t)为t时刻第i个输入时第j个隶属函数层神经元中心值的下界，为t时刻第i个输入时第j个隶属函数层神经元中心值的上界，σij(t)为t时刻第i个输入时第j个隶属函数层神经元的宽度值；i表示区间二型模糊神经网络的输入个数，i＝1，2；j＝1，2，…，R；
③激活层：该层有R个神经元，每个神经元的激活强度为：
其中，Fj(t)为t时刻激活层第j个神经元的激活强度，f j(t)为t时刻激活层第j个神经元激活强度的下界，为t时刻激活层第j个神经元激活强度的上界，
④输出层：该层有1个神经元，其输出为：
其中，u(t)为t时刻控制器的曝气量，Δu(t)为t时刻区间二型模糊神经网络的输出，表示控制器的曝气增量，Δu(t)为t时刻区间二型模糊神经网络输出的下界，为t时刻区间二型模糊神经网络输出的上界，q(t)为t时刻区间二型模糊神经网络输出下界的比例值，q(t)∈(0,1]；zj(t)为t时刻第j个神经元与输出神经元间的权值，aij(t)为t时刻权值系数，bj(t)为t时刻权值偏置；
(2)训练区间二型模糊神经网络，具体如下：
①利用训练样本和梯度下降算法训练区间二型模糊神经网络；定义目标函数为：
其中，e(t)为t时刻溶解氧DO浓度设定值与实际值的误差，y(t)为溶解氧DO浓度的实际值，yd(t)为溶解氧DO浓度的设定值；
②对区间二型模糊神经网络的参数进行更新：
其中，c ij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的下界，为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的上界；σij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的宽度值，q(t+1)为t+1时刻区间二型模糊神经网络输出下界的比例值，aij(t+1)为t+1时刻的权值系数，bj(t+1)为t+1时刻的权值偏置；η为参数的学习率，η∈(0,1]；
(3)设计用于污水处理过程中溶解氧DO浓度跟踪控制方法，具体为：
①根据公式(4)计算区间二型模糊神经网络的输出；
②判断当前时刻溶解氧DO浓度跟踪控制的目标函数的大小，如果e(t)>0.01，转到步骤③；如果e(t)≤0.01，转到步骤⑤；
③根据公式(6)求解各个参数的更新值；
④计算当前时刻的控制量u(t)
u(t)＝Δum(t)+u(t-1) (7)
其中，u(t)为t时刻控制器的曝气量，Δum(t)为t时刻参数更新后新的曝气增量，u(t-1)为t-1时刻控制器的曝气量；转到步骤⑥；
⑤计算当前时刻的控制量u(t)
u(t)＝Δu(t)+u(t-1) (8)
⑥u(t)为当前时刻污水处理***溶解氧DO浓度跟踪控制***的实际输入量；
(4)利用求解出的u(t)对溶解氧DO进行控制，u(t)即t时刻的曝气量，控制***的输出为实际溶解氧DO的浓度值。
本发明的创新点主要体现在：
(1)本发明针对当前活性污泥法污水处理过程的复杂的、动态的、不稳定的生物反应过程，以及非线性、时变性、滞后性的特点；同时，对污水处理过程的精确数学模型难以建立，根据神经网络较好的学习能力和逼近能力的特点，采用基于区间二型模糊神经网络的控制方法对溶解氧DO浓度进行控制，具有控制精度高、稳定性好等特点；
(2)本发明采用了基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法对污水处理过程的溶解氧DO浓度进行跟踪控制，该控制方法充分利用了区间二型模糊神经网络的规则性和精确性，使控制器更好的满足当前环境的变化，实现较好的控制；同时该控制方法实现了溶解氧DO浓度的闭环跟踪控制，具有实时性强，结构简单等特点；
特别要注意：本发明只是为了描述方便，采用的是对溶解氧DO浓度跟踪控制，同样该发明也可适用污水处理过程硝态氮的控制等，只要采用了本发明的原理进行控制都应该属于本发明的范围。
附图说明
图1是本发明的控制结构图
图2是本发明的区间二型模糊神经网络结构图
图3是本发明的本发明控制***溶解氧DO浓度结果图
图4是本发明的控制***溶解氧DO浓度误差图
具体实施方式
本发明获得了一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，该控制器是基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法求解污水处理过程溶解氧控制问题，通过控制优化后的曝气量达到控制溶解氧DO的目的；实现污水处理过程溶解氧DO浓度跟踪控制，在保证出水水质达标的前提下，降低能耗和处理成本；
1.一种基于区间二型模糊神经网络的溶解氧DO浓度跟踪控制方法，
针对序批式间歇活性污泥***中溶解氧DO进行控制，其中，曝气量为控制量，溶解氧DO浓度为被控量，控制结构如图1；
其特征在于，包括以下步骤：
(1)设计用于溶解氧DO浓度跟踪控制的区间二型模糊神经网络，区间二型模糊神经网络分为四层：输入层、隶属函数层、激活层、输出层，区间二型模糊神经网络结构如图2，具体为：
①输入层：该层由2个神经元组成：
X(t)＝[x1(t),x2(t)]T
(9)
其中，X(t)表示区间二型模糊神经网络的输入，x1(t)为t时刻溶解氧DO浓度设定值与实际值的误差，x2(t)为t时刻溶解氧DO浓度设定值与实际值误差的变化率，T为矩阵的转置；
②隶属函数层：该层有6个神经元，每个神经元代表一个区间二型隶属函数，表示如下：
其中，为t时刻第i个输入时第j个隶属函数层神经元输出值的下界，为t时刻第i个输入时第j个隶属函数层神经元输出值的上界， c ij(t)为t时刻第i个输入时第j个隶属函数层神经元中心值的下界，为t时刻第i个输入时第j个隶属函数层神经元中心值的上界，σij(t)为t时刻第i个输入时第j个隶属函数层神经元的宽度值；i表示区间二型模糊神经网络的输入个数，i＝1，2；j＝1，2，…，6；
③激活层：该层有6个神经元，每个神经元的激活强度为：
其中，Fj(t)为t时刻激活层第j个神经元的激活强度，f j(t)为t时刻激活层第j个神经元激活强度的下界，为t时刻激活层第j个神经元激活强度的上界，
④输出层：该层有1个神经元，其输出为：
其中，u(t)为t时刻控制器的曝气量，Δu(t)为t时刻区间二型模糊神经网络的输出，表示控制器的曝气增量，Δu(t)为t时刻区间二型模糊神经网络输出的下界，为t时刻区间二型模糊神经网络输出的上界，q(t)为t时刻区间二型模糊神经网络输出下界的比例值，q(t)∈(0,1]；zj(t)为t时刻第j个神经元与输出神经元间的权值，aij(t)为t时刻权值系数，bj(t)为t时刻权值偏置；
(2)训练区间二型模糊神经网络，具体如下：
①利用训练样本和梯度下降算法训练区间二型模糊神经网络；定义目标函数为：
其中，e(t)为t时刻溶解氧DO浓度设定值与实际值的误差，y(t)为溶解氧DO浓度的实际值，yd(t)为溶解氧DO浓度的设定值；
②对区间二型模糊神经网络的参数进行更新：
其中，c ij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的下界，为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的上界；σij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的宽度值，q(t+1)为t+1时刻区间二型模糊神经网络输出下界的比例值，aij(t+1)为t+1时刻的权值系数，bj(t+1)为t+1时刻的权值偏置；η为参数的学习率，η为0.05；
(3)设计用于污水处理过程中溶解氧DO浓度跟踪控制方法，具体为：
①根据公式(4)计算区间二型模糊神经网络的输出；
②判断当前时刻溶解氧DO浓度跟踪控制的目标函数的大小，如果e(t)>0.01，转到步骤③；如果e(t)≤0.01，转到步骤⑤；
③根据公式(6)求解各个参数的更新值；
④计算当前时刻的控制量u(t)
u(t)＝Δum(t)+u(t-1) (15)
其中，u(t)为t时刻控制器的曝气量，Δum(t)为t时刻参数更新后新的曝气增量，u(t-1)为t-1时刻控制器的曝气量；转到步骤⑥；
⑤计算当前时刻的控制量u(t)
u(t)＝Δu(t)+u(t-1) (16)
⑥u(t)为当前时刻污水处理***溶解氧DO浓度跟踪控制***的实际输入量；
(4)利用求解出的u(t)对溶解氧DO进行控制，u(t)即t时刻的曝气量，控制***的输出为实际溶解氧DO的浓度值。图3显示***的溶解氧DO浓度值，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度，单位是毫克/升，实线为溶解氧DO浓度设定值，黑色虚线是溶解氧DO浓度实际值；溶解氧DO浓度设定值与溶解氧DO浓度实际值的误差如图4，X轴：时间，单位是15分钟/样本，Y轴：溶解氧DO浓度误差值，单位是毫克/升；实验结果证明该方法的有效性。

Claims (1)

1.一种基于区间二型模糊神经网络的溶解氧DO设定值跟踪控制方法，针对序批式间歇活性污泥***中溶解氧DO进行控制，其中，曝气量为控制量，溶解氧DO浓度为被控量；
其特征在于，包括以下步骤：
(1)设计用于溶解氧DO设定值跟踪控制的区间二型模糊神经网络，区间二型模糊神经网络分为四层：输入层、隶属函数层、激活层、输出层；具体为：
①输入层：该层由2个神经元组成：
X(t)＝[x1(t),x2(t)]T (1)
其中，X(t)表示区间二型模糊神经网络的输入，x1(t)为t时刻溶解氧DO浓度设定值与实际值的误差，x2(t)为t时刻溶解氧DO浓度设定值与实际值误差的变化率，T为矩阵的转置；
②隶属函数层：该层有R个神经元，每个神经元代表一个区间二型隶属函数，表示如下：
其中，为t时刻第i个输入时第j个隶属函数层神经元输出值的下界，为t时刻第i个输入时第j个隶属函数层神经元输出值的上界， c ij(t)为t时刻第i个输入时第j个隶属函数层神经元中心值的下界，为t时刻第i个输入时第j个隶属函数层神经元中心值的上界，σij(t)为t时刻第i个输入时第j个隶属函数层神经元的宽度值；i表示区间二型模糊神经网络的输入个数，i＝1，2；j＝1，2，…，R；
③激活层：该层有R个神经元，每个神经元的激活强度为：
其中，Fj(t)为t时刻激活层第j个神经元的激活强度，f j(t)为t时刻激活层第j个神经元激活强度的下界，为t时刻激活层第j个神经元激活强度的上界，
④输出层：该层有1个神经元，其输出为：
其中，u(t)为t时刻控制器的曝气量，Δu(t)为t时刻区间二型模糊神经网络的输出，表示控制器的曝气增量，Δu(t)为t时刻区间二型模糊神经网络输出的下界，为t时刻区间二型模糊神经网络输出的上界，q(t)为t时刻区间二型模糊神经网络输出下界的比例值，q(t)∈(0,1]；zj(t)为t时刻第j个神经元与输出神经元间的权值，aij(t)为t时刻权值系数，bj(t)为t时刻权值偏置；
(2)训练区间二型模糊神经网络，具体如下：
①利用训练样本和梯度下降算法训练区间二型模糊神经网络；定义目标函数为：
其中，e(t)为t时刻溶解氧DO浓度设定值与实际值的误差，y(t)为溶解氧DO浓度的实际值，yd(t)为溶解氧DO浓度的设定值；
②对区间二型模糊神经网络的参数进行更新：
其中，c ij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的下界，为t+1时刻第i个输入时第j个隶属函数层神经元的中心值的上界；σij(t+1)为t+1时刻第i个输入时第j个隶属函数层神经元的宽度值，q(t+1)为t+1时刻区间二型模糊神经网络输出下界的比例值，aij(t+1)为t+1时刻的权值系数，bj(t+1)为t+1时刻的权值偏置；η为参数的学习率，η∈(0,1]；
(3)设计用于污水处理过程中溶解氧DO设定值跟踪控制方法，具体为：
①根据公式(4)计算区间二型模糊神经网络的输出；
②判断当前时刻溶解氧DO设定值跟踪控制的目标函数的大小，如果e(t)>0.01，转到步骤③；如果e(t)≤0.01，转到步骤⑤；
③根据公式(6)求解各个参数的更新值；
④计算当前时刻的控制量u(t)
u(t)＝Δum(t)+u(t-1) (7)
其中，u(t)为t时刻控制器的曝气量，Δum(t)为t时刻参数更新后新的曝气增量，u(t-1)为t-1时刻控制器的曝气量；转到步骤⑥；
⑤计算t时刻控制器的曝气u(t)
u(t)＝Δu(t)+u(t-1) (8)
⑥u(t)为t时刻控制器的曝气；
(4)利用求解出的u(t)对溶解氧DO进行控制，u(t)为t时刻控制器的曝气，控制***的输出为实际溶解氧DO的浓度值。
CN201610900248.2A 2016-10-16 2016-10-16 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法 Active CN106406094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610900248.2A CN106406094B (zh) 2016-10-16 2016-10-16 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610900248.2A CN106406094B (zh) 2016-10-16 2016-10-16 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法

Publications (2)

Publication Number Publication Date
CN106406094A CN106406094A (zh) 2017-02-15
CN106406094B true CN106406094B (zh) 2019-06-14

Family

ID=58011683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610900248.2A Active CN106406094B (zh) 2016-10-16 2016-10-16 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法

Country Status (1)

Country Link
CN (1) CN106406094B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109213174B (zh) * 2018-10-24 2021-10-01 北京工业大学 一种基于模糊神经网络的污水处理厂智能巡检避障方法
CN110647037B (zh) * 2019-09-23 2022-03-15 北京工业大学 一种基于二型模糊神经网络的污水处理过程协同控制方法
CN111125907B (zh) * 2019-12-23 2023-09-01 河南理工大学 一种基于混合智能模型的污水处理氨氮软测量方法
CN111026146B (zh) * 2019-12-24 2021-04-06 西北工业大学 一种复合翼垂直起降无人机的姿态控制方法
CN113191483A (zh) * 2021-04-19 2021-07-30 北京工业大学 一种基于二型模糊宽度学习的污泥膨胀智能决策方法
CN113283481A (zh) * 2021-05-14 2021-08-20 群智未来人工智能科技研究院(无锡)有限公司 一种基于知识二型模糊的膜污染智能决策方法
CN116520919B (zh) * 2023-05-08 2024-05-14 安徽农业大学 一种黄茶闷黄加工装备的温湿度解耦控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998003434A1 (fr) * 1996-07-19 1998-01-29 Mitsubishi Chemical Corporation Dispositif de regulation de la concentration d'oxygene dissous d'une cuve d'aeration, de regulation de la temperature de ladite cuve, de regulation du debit d'eau brute pour obtenir une surface liquide homogene et equipement de traitement d'eaux usees utilise dans le procede de traitement par boues activees
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及***
CN102411308A (zh) * 2011-12-24 2012-04-11 北京工业大学 基于递归神经网络模型的溶解氧的自适应控制方法
CN103064290A (zh) * 2013-01-01 2013-04-24 北京工业大学 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103197544A (zh) * 2013-02-25 2013-07-10 北京工业大学 基于非线性模型预测的污水处理过程多目标控制方法
CN104965971A (zh) * 2015-05-24 2015-10-07 北京工业大学 一种基于模糊神经网络的氨氮浓度软测量方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998003434A1 (fr) * 1996-07-19 1998-01-29 Mitsubishi Chemical Corporation Dispositif de regulation de la concentration d'oxygene dissous d'une cuve d'aeration, de regulation de la temperature de ladite cuve, de regulation du debit d'eau brute pour obtenir une surface liquide homogene et equipement de traitement d'eaux usees utilise dans le procede de traitement par boues activees
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及***
CN102411308A (zh) * 2011-12-24 2012-04-11 北京工业大学 基于递归神经网络模型的溶解氧的自适应控制方法
CN103064290A (zh) * 2013-01-01 2013-04-24 北京工业大学 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103197544A (zh) * 2013-02-25 2013-07-10 北京工业大学 基于非线性模型预测的污水处理过程多目标控制方法
CN104965971A (zh) * 2015-05-24 2015-10-07 北京工业大学 一种基于模糊神经网络的氨氮浓度软测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
自组织区间二型模糊神经网络及其自适应学习算法;姚兰 等;《控制理论与应用》;20130630;第30卷(第6期);第785-791页

Also Published As

Publication number Publication date
CN106406094A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN106406094B (zh) 一种基于区间二型模糊神经网络的污水处理溶解氧浓度跟踪控制方法
CN103197544B (zh) 基于非线性模型预测的污水处理过程多目标控制方法
AU2021101438A4 (en) Adaptive control method and system for aeration process
CN102854296B (zh) 一种基于集成神经网络的污水处理软测量方法
CN103809557B (zh) 一种基于神经网络的污水处理过程优化控制方法
CN103064290B (zh) 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN106354014B (zh) 一种基于多目标差分进化算法的污水处理优化控制方法
US20200385286A1 (en) Dynamic multi-objective particle swarm optimization-based optimal control method for wastewater treatment process
CN109711070A (zh) 一种基于活性污泥水处理的溶解氧浓度优化方法
CN105404151A (zh) 污水处理过程动态多目标优化控制方法
CN110647037B (zh) 一种基于二型模糊神经网络的污水处理过程协同控制方法
CN105676649A (zh) 一种基于自组织神经网络的污水处理过程控制方法
CN108445757B (zh) 一种基于动态多目标粒子群算法的污水处理过程优化控制方法
CN109669352A (zh) 基于自适应多目标粒子群的含油污水处理过程优化控制方法
CN103499982B (zh) 一种污水处理过程自组织控制方法
Chen et al. Three‐Dimensional Short‐Term Prediction Model of Dissolved Oxygen Content Based on PSO‐BPANN Algorithm Coupled with Kriging Interpolation
CN110716432B (zh) 一种基于自适应选择策略的城市污水处理过程多目标优化控制方法
CN106354019B (zh) 一种基于rbf神经网络的溶解氧精确控制方法
Wang et al. Energy and materials-saving management via deep learning for wastewater treatment plants
Zhang et al. Calculation of permissible load capacity and establishment of total amount control in the Wujin River Catchment—a tributary of Taihu Lake, China
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法
CN106094517A (zh) 一种变工况污水处理过程的多模型预测控制方法
CN108563118A (zh) 一种基于自适应模糊神经网络的溶解氧模型预测控制方法
Alagha et al. Artificial intelligence based modelling of hydrological processes
CN105138716B (zh) 硝化及亚硝化过程的运行优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant